（文章來源：攜手健康網(wǎng)）

來自慕尼黑的Helmholtz ZentrumMünchen和慕尼黑大學LMU的大學醫(yī)院的研究人員首次顯示，在對急性髓性白血病(AML)患者的血液樣本進行分類時，深度學習算法的性能與人類專家相似。他們的概念驗證研究為不久的將來進行自動化，標準化和現(xiàn)場樣本分析鋪平了道路。該論文發(fā)表在《自然機器智能》上。

AI的深度學習算法以自動化和標準化的方式分析樣本。左：人類專家的分類。右：對于AI分析很重要的像素。圖片來源：Helmholtz ZentrumMünchen/ Carsten Marr。

每天，在醫(yī)學實驗室和診所都要對數(shù)百萬個單細胞進行疾病診斷診斷。大部分重復性任務仍由受過訓練的細胞學家手動完成，他們檢查染色涂片中的細胞并將其分為大約15個不同類別。該過程存在分類可變性，并且需要訓練有素的細胞學家的存在和專業(yè)知識。

為了提高評估效率，Helmholtz ZentrumMünchen和慕尼黑LMU大學醫(yī)院的一組研究人員訓練了一個具有約20.000個單細胞圖像的深層神經(jīng)元網(wǎng)絡，以對其進行分類。團隊由來自Helmholtz ZentrumMünchen的計算生物學研究所的Carsten Marr博士和醫(yī)學博士生Christian Matek博士以及來自LMU慕尼黑大學醫(yī)院第三系的med Karsten Spiekermann和Simone Schwarz教授，這些圖像是從100例患有侵襲性血液病AML的患者和100例對照的血液涂片中提取的。然后通過比較其性能與人類專家的準確性來評估新的AI驅(qū)動方法。

用于圖像處理的深度學習算法需要兩件事：首先，具有數(shù)十萬個參數(shù)的適當?shù)木矸e神經(jīng)網(wǎng)絡架構(gòu);第二，足夠大量的訓練數(shù)據(jù)。到目前為止，盡管臨床上普遍使用了這些樣本，但尚無大型數(shù)字化血液涂片數(shù)據(jù)集。Helmholtz ZentrumMünchen的研究小組現(xiàn)在提供了該類型的第一個大型數(shù)據(jù)集。目前，Marr和他的團隊正在與LMU慕尼黑大學醫(yī)院的第三醫(yī)學系以及最大的歐洲白血病實驗室之一慕尼黑白血病實驗室(MLL)緊密合作，以數(shù)字化數(shù)百種患者血液涂片。

為了將我們的方法帶到診所，患者血液樣本的數(shù)字化已成為常規(guī)。必須使用來自不同來源的樣本來訓練算法，以應對樣本制備和染色中固有的異質(zhì)性。與我們的合作伙伴一起，我們可以證明深度學習算法顯示出與人類細胞學家相似的性能。下一步，我們將評估使用這種新的AI驅(qū)動方法可以預測出其他疾病的特征，例如基因突變或易位?！?/p>

該方法展示了AI在翻譯研究中的應用能力。這是Helmholtz ZentrumMünchen在血干細胞單細胞分類方面的開創(chuàng)性工作的擴展(Buggenthin等人，Nature Methods，2017)，該研究已于2018年獲得了Helmholtz協(xié)會的Erwin Schroedinger獎。由德國研究基金會(DFG)的SFB 1243以及德國何塞·卡雷拉斯白血病基金會向克里斯蒂安·梅特克博士提供的博士學位獎學金提供支持。